高并发高可用复杂系统中的缓存架构(十五) 缓存架构讲解，如何保证缓存数据库一致性

前面讲解完了 redis 如何支撑海量数据、高并发读写、高可用服务的架构

redis 架构，在我们的真正类似商品详情页读高并发的系统中，redis 就是底层的缓存存储的支持

从现在开始，我们正式开始做业务系统的开发

商品详情系统旁白

亿级流量以上的电商网站的商品详情页的系统，真实的系统中包含大量的业务，十几个人做一两年才堆出来复杂的业务系统。

如果只是纯粹的架构，那么就是一个骨架，所以必须有少量的业务，有血有肉，把整个项目串起来，在业务背景下去学习架构，效果才会理想

讲解商品详情页系统，主要讲解缓存架构，90% 大量的业务代码，10% 的最优技术含量的就是架构，上亿流量，每秒 QPS 几万，上十万的，读并发

支撑读并发，主要是缓存架构

上亿流量的商品详情页系统的多级缓存架构

很多人以为，做个缓存其实就是用一下 redis 访问一下，就可以了，这个只是简单的缓存

如果做复杂的缓存，支撑电商复杂的场景下的高并发的缓存，遇到的问题非常非常之多，绝对不是说简单的访问一下 redsi 就可以的

采用三级缓存：nginx 本地缓存 + redis 分布式缓存 + tomcat 堆缓存的多级缓存架构

使用这个架构主要是为了解决业务中的一些需求和问题：

• 时效性要求非常高的数据：库存

  一般来说，显示的库存都是时效性要求会相对高一些，因为随着商品的不断的交易，库存会不断的变化

  当然，我们就希望当库存变化的时候，尽可能更快将库存显示到页面上去，而不是说等了很长时间，库存才反应到页面上去

• 时效性要求不高的数据：商品的基本信息（名称、颜色、版本、规格参数，等等）

  比如你现在改变了商品的名称，稍微晚个几分钟反应到商品页面上，也还能接受

商品价格/库存等 时效性要求高 的数据，而且种类较少，采取相关的服务系统每次发生了变更的时候，直接采取数据库和 redis 缓存双写的方案，这样缓存的时效性最高

商品基本信息等 时效性不高 的数据，而且种类繁多，来自多种不同的系统，采取 MQ 异步通知的方式，写一个数据生产服务，监听 MQ 消息，然后异步拉取服务的数据，更新 tomcat jvm 缓存 + redis 缓存

nginx+lua 脚本做页面动态生成的工作，每次请求过来，优先从 nginx 本地缓存中提取各种数据，结合页面模板，生成需要的页面，如果 nginx 本地缓存过期了，那么就从 nginx 到 redis 中去拉取数据，更新到 nginx 本地，如果 redis 中也被 LRU 算法清理掉了，那么就从 nginx走 http 接口到后端的服务中拉取数据，数据生产服务中，现在本地 tomcat 里的 jvm 堆缓存（ehcache）中找，如果也被 LRU 清理掉了，那么就重新发送请求到源头的服务中去拉取数据，然后再次更新 tomcat 堆内存缓存 + redis 缓存，并返回数据给 nginx，nginx 缓存到本地

 

结合上图去理解上面的文字，该架构 redis 不是应用服务主要使用的，是 nginx 通过 lua 脚本主要使用的缓存

多级缓存架构中每一层的意义

nginx 本地缓存，抗的是热数据的高并发访问，一般来说，商品的购买总是有热点的，比如每天购买 iphone、nike、海尔等知名品牌的东西的人，总是比较多的

这些热数据，利用 nginx 本地缓存，由于经常被访问，所以可以被锁定在 nginx 的本地缓存内

大量的热数据的访问，就是经常会访问的那些数据，就会被保留在 nginx 本地缓存内，那么对这些热数据的大量访问，就直接走 nginx 就可以了

那么大量的访问，直接就可以走到 nginx 就行了，不需要走后续的各种网络开销了

传统的缓存架构如下图（我自己就是这种使用的）

 

这样就会多出来转发的网络开销。而 nginx 直接走 redis + 本地缓存就少了很多的网络开销

redis 分布式大规模缓存，抗的是很高的离散访问，支撑海量的数据，高并发的访问，高可用的服务

redis 缓存最大量的数据，最完整的数据和缓存，1T+ 数据; 支撑高并发的访问，QPS 最高到几十万; 可用性，非常好，提供非常稳定的服务

因为 nginx 本地内存有限，也就能 cache 住部分热数据，除了各种 iphone、nike 等热数据，其他相对不那么热的数据，可能流量会经常走到 redis 中

利用 redis cluster 的多 master 写入，横向扩容，1T+ 以上海量数据支持，几十万的读写 QPS，99.99% 高可用性，那么就可以抗住大量的离散访问请求

tomcat jvm 堆内存缓存，主要是抗 redis 大规模灾难的，如果 redis 出现了大规模的宕机，导致 nginx 大量流量直接涌入数据生产服务，那么最后的 tomcat 堆内存缓存至少可以再抗一下，不至于让数据库直接崩溃

同时 tomcat jvm 堆内存缓存，也可以抗住 redis 没有 cache 住的最后那少量的部分缓存

小结

针对高并发访问的一些特点，进行了拆分：

• nginx 本地缓存：抗少量热数据请求

• redis：抗最完整最全量的离散访问请求

• 应用堆内存：安全防护措施，防止 mysql 数据库崩溃

Cache Aside Pattern 缓存+数据库读写模式的分析

最经典的缓存 + 数据库读写的模式：cache aside pattern

Cache Aside Pattern

1. 读的时候，先读缓存，缓存没有的话，那么就读数据库，然后取出数据后放入缓存，同时返回响应

2. 更新的时候，先删除缓存，然后再更新数据库

为什么是删除缓存，而不是更新缓存呢？

原因很简单，很多时候复杂点的缓存的场景，缓存不简单是数据库中直接取出来的值

比如：商品详情页的系统，修改库存，只是修改了某个表的某些字段，但是要真正把这个影响的最终的库存计算出来，可能还需要从其他表查询一些数据，然后进行一些复杂的运算，才能最终计算出。现在最新的库存是多少，然后才能将库存更新到缓存中去

再比如：可能更新了某个表的一个字段，然后其对应的缓存，是需要查询另外两个表的数据，并进行运算，才能计算出缓存最新的值的

数据变更，然后 主动 更新缓存的代价是很高的

是不是说，每次修改数据库的时候，都一定要将其对应的缓存去更新一份？也许有的场景是这样的，但是对于比较复杂的缓存数据计算的场景，就不是这样了

如果你频繁修改一个缓存涉及的多个表，那么这个缓存会被频繁的更新，频繁的更新缓存，但是问题在于，这个缓存到底会不会被频繁访问到？

举个例子，一个缓存涉及的表的字段，在 1 分钟内就修改了 20 次，或者是 100 次，那么缓存更新 20 次，100 次; 但是这个缓存在 1 分钟内就被读取了 1 次，有大量的冷数据

热冷数据的 28 黄金法则：20% 的数据，占用了 80% 的访问量

实际上，如果你只是删除缓存的话，那么 1 分钟内，这个缓存不过就重新计算一次而已，开销大幅度降低

每次数据过来，就只是删除缓存，然后修改数据库，如果这个缓存，在 1 分钟内只是被访问了 1 次，那么只有那 1 次缓存是要被重新计算的，用缓存才去算缓存

其实删除缓存，而不是更新缓存，就是一个 lazy 计算的思想，不要每次都重新做复杂的计算，不管它会不会用到，而是让它到需要被使用的时候再重新计算

mybatis、hibernate 就是懒加载思想

比如：查询一个部门，部门带了一个员工的 list，没有必要说每次查询部门，都里面的 1000 个员工的数据也同时查出来啊，80% 的情况，查这个部门，就只是要访问这个部门的信息就可以了，先查部门，同时要访问里面的员工，那么这个时候只有在你要访问里面的员工的时候，才会去数据库里面查询 1000 个员工

小结：这里「为什么是删除缓存，而不是更新缓存呢？」的问题，刚开始是没有上下文环境的，我自己一看就懵逼了，删除和更新有什么区别呢？原来问题是：在数据更新的时候是否需要更新缓存？

在数据更新的时候是否需要更新缓存？

不需要更新缓存，28 法则，数据被使用到的时候才去加载

 

高并发场景下的缓存 + 数据库双写不一致问题分析与解决方案设计

 

开始去开发业务系统了，那么从哪一步开始做？从比较简单的那一块开始做，实时性要求比较高的那块数据的缓存去做，这里选择的就是库存的服务

库存可能会修改，每次修改都要去更新这个缓存数据; 每次库存的数据，在缓存中一旦过期，或者是被清理掉了，前端的 nginx 服务都会发送请求给库存服务，去获取相应的数据

库存这一块，写数据库的时候，直接更新 redis 缓存，思路是这样简单粗暴，实际上没有这么的简单，这里其实就涉及到了一个问题，数据库与缓存双写，可能导致数据不一致的问题

围绕和结合实时性较高的库存服务，数据库与缓存双写不一致问题以及其解决方案

大型的缓存架构中第一个解决方案：数据库与缓存双写不一致，是一个很常见的问题

大型的缓存架构全部讲解完了以后，整套架构是非常复杂，架构可以应对各种各样奇葩和极端的情况

 

最初级的缓存不一致问题以及解决方案

问题：先修改数据库，再删除缓存，如果删除缓存失败了，那么会导致数据库中是新数据，缓存中是旧数据，数据出现不一致

 

解决思路：先删除缓存，再修改数据库，如果删除缓存成功了，修改数据库失败了，那么数据库中是旧数据，缓存中是空的，那么数据不会不一致，因为读的时候缓存没有，则读数据库中旧数据，然后更新到缓存中

 

比较复杂的数据不一致问题分析

 

1. 数据发生了变更，先删除了缓存，然后要去修改数据库，此时还没修改

2. 一个请求过来，去读缓存，发现缓存空了，去查询数据库，查到了修改前的旧数据，放到了缓存中

数据变更的程序完成了数据库的修改，此时数据库是 999，缓存中却是 1000，完了，数据库和缓存中的数据不一样了。

为什么上亿流量高并发场景下，缓存会出现这个问题？

只有在对一个数据在并发的进行读写的时候，才可能会出现这种问题

其实如果说你的并发量很低的话，特别是读并发很低，每天访问量就 1 万次，那么很少的情况下，会出现刚才描述的那种不一致的场景

但是问题是，如果每天的是上亿的流量，每秒并发读是几万，每秒只要有数据更新的请求，就可能会出现上述的数据库 + 缓存不一致的情况

高并发了以后，问题是很多的

数据库与缓存更新与读取操作进行异步串行化

 

异步串行化是什么意思呢？原因是双写不一致的情况下才会出现：

1. 先删除缓存，更新数据库

2. 读缓存，发现缓存为空，从数据库获取数据，写入缓存

这里的双写，一个是写数据库，一个是写缓存。并发导致问题

那么看上图中的红框部分，将这两个请求通过队列串行化，就能保证数据的竞争问题

具体流程如下：

1. 更新数据的时候，根据数据的唯一标识，将操作路由之后，发送到一个 jvm 内部的队列中

2. 读取数据的时候，如果发现数据不在缓存中，那么将重新读取数据 + 更新缓存的操作，根据唯一标识路由之后，也发送同一个 jvm 内部的队列中

3. 一个队列对应一个工作线程，每个工作线程串行拿到对应的操作，然后一条一条的执行

这样的话，一个数据变更的操作，先执行，删除缓存，然后再去更新数据库，但是还没完成更新

此时如果一个读请求过来，读到了空的缓存，那么可以先将缓存更新的请求发送到队列中，此时会在队列中积压，然后同步等待缓存更新完成

待那个队列对应的工作线程完成了上一个操作的数据库的修改之后，才会去执行下一个操作，也就是缓存更新的操作，此时会从数据库中读取最新的值，然后写入缓存中

如果请求还在等待时间范围内，不断轮询发现可以取到值了，那么就直接返回; 如果请求等待的时间超过一定时长，那么这一次直接从数据库中读取当前的旧值

可优化的点：

• 一个队列中，其实多个更新缓存请求串在一起是没意义的

  因此可以做过滤，如果发现队列中已经有一个更新缓存的请求了，那么就不用再放个更新请求操作进去了，直接等待前面的更新操作请求完成即可

  比如 一个更新+写缓存操作后面更了一个读操作，那么后续的读操作就可以过滤掉，不往队列中写，只需要等待缓存能获取到数据即可

• 缓存为空，有可能不是在更新操作

  有可能是：在执行更新操作，需要阻塞一会儿

  有可能是：数据库中压根就没有该数据，那么可以判定下队列中是否有更新操作，如果没有，则直接返回空的。

万一是有该数据过期了呢？是正常的读缓存呢？后续再看是怎么解决的？

高并发的场景下，该解决方案要注意的问题

读请求长时阻塞

由于读请求进行了非常轻度的异步化，所以一定要注意读超时的问题，每个读请求必须在超时时间范围内返回

该解决方案，最大的风险点在于说，可能 数据更新很频繁，导致队列中积压了大量更新操作在里面，然后读请求会发生大量的超时，最后导致大量的请求直接走数据库

务必通过一些模拟真实的测试，看看更新数据的频繁是怎样的

另外一点，因为一个队列中，可能会积压针对多个数据项的更新操作，因此需要根据自己的业务情况进行测试，可能需要部署多个服务，每个服务分摊一些数据的更新操作（疑问：如果是多实例，怎么能保证多实例之间不存在数据竞争呢？ 

如果一个内存队列里居然会挤压 100个 商品的库存修改操作，每个库存修改操作要耗费 10ms 去完成，那么最后一个商品的读请求，可能等待 10 * 100 = 1000ms = 1s 后，才能得到数据

这个时候就导致读请求的长时阻塞

一定要做根据实际业务系统的运行情况，去进行一些压力测试，和模拟线上环境，去看看最繁忙的时候，内存队列可能会挤压多少更新操作，可能会导致最后一个更新操作对应的读请求，会阻塞多少时间，如果要求读请求在 200ms 返回，如果你计算过后，哪怕是最繁忙的时候，积压 10个 更新操作，最多等待 200ms，那还可以的

如果一个内存队列可能积压的更新操作特别多，那么你就要加机器，让每个机器上部署的服务实例处理更少的数据，那么每个内存队列中积压的更新操作就会越少

其实根据之前的项目经验，一般来说数据的写频率是很低的，因此实际上正常来说，在队列中积压的更新操作应该是很少的

针对读高并发，读缓存架构的项目，一般写请求相对读来说，是非常非常少的，每秒的 QPS 能到几百就不错了

一秒 500 的写操作，5 份，每 200ms，就 100个 写操作

单机器，20个 内存队列，每个内存队列，可能就积压 5个 写操作，每个写操作性能测试后，一般在 20ms 左右就完成，那么针对每个内存队列中的数据的读请求，也就最多阻塞一会儿，200ms 以内肯定能返回了

如果说写 QPS 扩大 10 倍，但是经过刚才的测算，就知道，单机支撑写 QPS 几百没问题，那么就扩容机器，扩容 10 倍的机器，10 台机器，每个机器 20 个队列，200 个队列

这么一大段的解说，主要是让你明白在高并发的超时需求下，需要严格的压测与计算

大部分的情况下，应该是这样的，大量的读请求过来，都是直接走缓存取到数据的

少量情况下，可能遇到读跟数据更新冲突的情况，如上所述，那么此时更新操作如果先入队列，之后可能会瞬间来了对这个数据大量的读请求，但是因为做了去重的优化，所以也就一个更新缓存的操作跟在它后面

等数据更新完了，读请求触发的缓存更新操作也完成，然后临时等待的读请求全部可以读到缓存中的数据

读请求并发量过高

这里还必须做好压力测试，确保恰巧碰上上述情况的时候，还有一个风险，就是突然间大量读请求会在几十毫秒的延时阻塞在服务上，看服务能不能抗的住，需要多少机器才能抗住最大的极限情况的峰值

但是因为并不是所有的数据都在同一时间更新，缓存也不会同一时间失效，所以每次可能也就是少数数据的缓存失效了，然后那些数据对应的读请求过来，并发量应该也不会特别大

按 1:99 的比例计算读和写的请求，每秒 5 万的读 QPS，可能只有 500 次更新操作（50000 * 0.01）

如果一秒有 500 的写 QPS，那么要测算好，可能写操作影响的数据有 500 条，这 500 条数据在缓存中失效后，可能导致多少读请求，发送读请求到库存服务来，要求更新缓存？

一般来说，1:1，1:2，1:3，每秒钟有 1000 个读请求，会阻塞在库存服务上，需要计算每个读请求最多阻塞多少时间，比如 200ms 就会返回

在同一时间最多阻塞住的可能也就是单机 200 个读请求，同时阻塞，单机阻塞 200 个读请求，还是 ok 的

比如你测算出来是 1:20，每秒更新 500 条数据，这 500秒数据对应的读请求，会有 20 * 500 = 1万，1 万个读请求全部阻塞在库存服务上，就死定了

小结：每个读请求阻塞时间不能太长，需要严格测算

多服务实例部署的请求路由

可能这个服务部署了多个实例，那么必须保证说，执行数据更新操作，以及执行缓存更新操作的请求，都通过 nginx 服务器路由到相同的服务实例上

 

看完这段，对于细节方面我还是不太明白，就算是路由怎么能分实例路由呢？对于写操作路由到一台固定的机器上，如果这台机器挂了呢？那么在微服务中来说微服务不就没有意义了么？这个细节上的问题不清楚，后续再看是怎么解决的；

热点商品的路由问题，导致请求的倾斜

万一某个商品的读写请求特别高，全部打到相同的机器的相同的队列里面去了，可能造成某台机器的压力过大

这个问题：因为只有在商品数据更新的时候才会清空缓存，然后才会导致读写并发，所以更新频率不是太高的话，这个问题的影响并不是特别大

但是的确可能某些机器的负载会高一些

 

本文地址：https://blog.csdn.net/liuerchong/article/details/107419030